Image segmentation plays a pivotal role in several medical-imaging applications by assisting the segmentation of the regions of interest. Deep learning-based approaches have been widely adopted for semantic segmentation of medical data. In recent years, in addition to 2D deep learning architectures, 3D architectures have been employed as the predictive algorithms for 3D medical image data. In this paper, we propose a 3D stack-based deep learning technique for segmenting manifestations of consolidation and ground-glass opacities in 3D Computed Tomography (CT) scans. We also present a comparison based on the segmentation results, the contextual information retained, and the inference time between this 3D technique and a traditional 2D deep learning technique. We also define the area-plot, which represents the peculiar pattern observed in the slice-wise areas of the pathology regions predicted by these deep learning models. In our exhaustive evaluation, 3D technique performs better than the 2D technique for the segmentation of CT scans. We get dice scores of 79% and 73% for the 3D and the 2D techniques respectively. The 3D technique results in a 5X reduction in the inference time compared to the 2D technique. Results also show that the area-plots predicted by the 3D model are more similar to the ground truth than those predicted by the 2D model. We also show how increasing the amount of contextual information retained during the training can improve the 3D model's performance.


翻译:在多个医学成像应用中,图像断层通过协助对感兴趣的区域进行分解,在多个医学成像应用中发挥着关键作用。在医学数据的语义分解中,广泛采用了深学习方法。近年来,除了2D深学习结构外,还使用3D结构作为3D医学成像数据的预测算法。在本文中,我们建议采用3D堆深学习技术,用于3D成像和3D成像模型分解的2D深视现象。我们还根据分解结果、保留的背景信息以及3D技术与传统的2D深层学习技术之间的推断时间进行了比较。我们还界定了区域图谱图,它代表了由这些深学习模型预测的病理学区域中观察到的奇特模式。在我们详尽的评估中,3D技术比2D模型分解的2D深层技术表现得更好的。我们在3D和2D技术中获得了79%和73%的离子分。在3D的分法和2D技术中,三D技术的连续分数和推算时间分别增加了。3D技术的预测结果在2X到2D的直径结果中,这些直径结果也显示了2D的递化程度。在2D的递化区域中,从2X结果显示的递减到2D的直径结果也显示了5X结果,从2D的递化为递解到2D的直线。

0
下载
关闭预览

相关内容

3D是英文“Three Dimensions”的简称,中文是指三维、三个维度、三个坐标,即有长、有宽、有高,换句话说,就是立体的,是相对于只有长和宽的平面(2D)而言。
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
3D Deep Learning on Medical Images: A Review
Arxiv
12+阅读 · 2020年4月1日
VIP会员
相关VIP内容
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Top
微信扫码咨询专知VIP会员